LAPORAN PRAKTIKUM PRAKTEK INDERAJA TERAPAN

LAPORAN PRAKTIKUM PRAKTEK INDERAJA TERAPAN ... Mahasiswa dapat melakukan membuat layout peta. C. Waktu dan Tempat Pelaksanaan Hari, tanggal : Kamis, 2...

70 downloads 685 Views 2MB Size
LAPORAN PRAKTIKUM PRAKTEK INDERAJA TERAPAN

Dosen Pengampu : Bambang Kun Cahyono S.T, M. Sc

Dibuat oleh : Rahmat Muslih Febriyanto 12/336762/SV/01770

PROGRAM STUDI DIPLOMA III TEKNIK GEOMATIKA SEKOLAH VOKASI UNIVERSITAS GADJAH MADA 2014/2015

A. Judul “Klasifikasi Terbimbing ( Supervised )” B. Tujuan 1. 2. 3. 4. 5.

Mahasiswa dapat melakukan georeferencing Citra. Mahasiswa dapat melakukan cropping Citra. Mahasiswa dapat melakukan klasifikasi supervised. Mahasiswa dapat melakukan perhitungan luas. Mahasiswa dapat melakukan membuat layout peta.

C. Waktu dan Tempat Pelaksanaan Hari, tanggal Tempat

: Kamis, 27 November 2014 : Laboratorium Fotogrametri

D. Alat dan Bahan 1. 2.

Perangkat keras 1.1 Komputer Perangkat lunak 2.1 Software ENVI 2.2 Software Google Earth 2.3 Software ArcGIS

E. LANDASAN TEORI Klasifikasi digital pada suatu citra adalah suatu proses dimana piksel-piksel dengan karakteristik spektral yang sama diasumsikan sebagai kelas yang sama, diidentifikasi dan ditetapkan dalam suatu warna (Gibson dan Power, 2000). Klasifikasi supervised merupakan suatu metode klasifikasi yang menggunakan area sampling. Ketelitian ditentukan oleh kualitas sampling dan jumlah sampel. Area sampel dibuat dengan menggunakan Region Of Interest (ROI). ROI harus terlebih dahulu dibuat sebelum melakukan proses klasifikasi supervised ini. Region Of Interest adalah area sampling yang dibentuk sebagai trainning area pada klasifikasi supervised. klasifikasi supervised dapat diartikan sebagai teknik klasifikasi yang diawasi. Menurut Projo Danoedoro (1996) klasifikasi supervised ini melibatkan interaksi analis secara intensif, dimana analis menuntun proses klasifikasi dengan identifikasi objek pada citra (training area). Sehingga pengambilan sampel perlu dilakukan dengan mempertimbangkan pola spektral pada setiap panjang gelombang tertentu, sehingga diperoleh daerah acuan yang baik untuk mewakili suatu objek tertentu.

F. Langkah Kerja Diagram alir praktikum : SUPERVISED CLASSIFICATION

CITRA LANDSAT 8 SUPERVISE D CLASSIFICA KOMPOSIT CROP 15 X 15 KM TION

GEOREFERENCING

GCP GOOGLE EARTH

RMS < 1 PIXEL

PEMBUATAN KELAS

TRAINING AREA

KLASIFIKASI

PETA PENUTUP LAHAN

1. Membuka data citra Landsat 8 yang akan diklasifikasikan, yaitu Citra Landsat 8 untuk daerah Jawa Tengah 1.1 Membuka software Envi 4.8 terlebih dahulu dengan meng-klik icon Kemudian akan muncul tools pada Envi seperti berikut:

.

1.2 Membuka data citra dengan langkah File  Open Image File:

Kemudian memilih data citra dengan band-band yang akan digunakan dalam melakukan komposit Natural Band

1.3 Membuka citra dengan komposit Natural band, yaitu R: band 4; G: band 3 ; B: band 2 sehingga pada kotak Available Bands List akan terlihat seperti berikut:

Kemudian klik Load RGB :

2. Melakukan cropping 2.1 Menentukan lokasi yang akan digunakan untuk klasifikasi penutup lahan:

2.2 Mulai men-crop citra dengan langkah File  Save Image As  Image File...

2.3 Setelah muncul kotak dialog pilih tab Spatial Subset

kemudian pada kotak dialog berikutnya memilih tab Image

Isikan seperti berikut untuk mendapatkan luas citra 15 km x 15 km

Kemudian klik OK. 2.4 Setelah itu kembali ke kotak dialog Output Display to Image File. Klik Ok 2.5 Membuka citra hasil crop, maka hasil akan terlihat seperti berikut:

3. Melakukan Georeferencing 3.1 Membuka Google Earth sebagai acuan melihat koordinat yang akan digunakan untuk Georeferencing dengan menggunakan metode Georeferencing Image to Map. 3.2 Menentukan daerah yang menonjol sebegai GCP pada Google Earth.

3.3 Melihat koordinat nya pada masing-masing GCP tersebut kemudian menuliskanya untuk rektifikasi image to image. 3.4 Memulai untuk proses Georeferencing dengan langkah Map  Registration  Select GCPs: Image to Map

Setelah muncul kotak dialog, maka mengatur seperti berikut:

3.5 Mengisi koordinat sesuai dengan koordinat acuan yang telah didapat dari Google Earth sebelumnya.

Kemudian dengan melihat daerah yang merupakan tanda GCP dengan kotak Zoom, kemudian klik Add Point sehingga GCP terekam/tersimpan:

3.6 Kemudian cek RMS untuk melihat kesalahan, jika lebih dari 1 maka ulangi proses Georeferencing dengan klik tab Show List pada kotak dialog Ground Control Points Selection Berikut hasil RMS:

Menyimpan data RMS Error dalam bentuk *.txt dengan langkah klik File  Save Table to ASCII... Kemudian menentukan lokasi penyimpanan klik OK. 3.7 Menyimpan hasil Georeferencing dengan langkah berikut: a. Menyimpan hasil GCP dengan klik File  Save GCPs w/ map coords... Memberi nama file pada kotak dialog Output Registration Points.

b. Kemudian klik Map  Registration  Warp from GCPs : Image to Map

Kemudian memilih file yang telah disimpan sebelumnya

c. Kemudian mengatur Sistem proyeksi yang sesuai, Proyeksi UTM, Datum WGS 84 zone 49 S dan klik OK. d. Ketika kotak dialog Input Warp Image kemudian memilih citra yang sebelumnya dijadikan acuan dalam proses Georeferencing, setelah itu klik OK.

e. Kemudian memberi georeferencing.

nama

file

citra

yang

telah

dilakukan

proses

3.8 Kemudian membuka citra dengan klik Load RGB pada kotak dialog Available Band List.

4. Melakukan Enhance 4.1 Melakukan Enhance dengan langkah klik Enhance  Interactive Strectching

4.2 Kemudian mengatur histogram pada kotak dialog berikut:

5. Membuat klasifikasi 5.1 Membuka ROI Tool untuk membuak klasifikasi penutup lahan dengan langkah memilih menu Tools  Region Of Interest  ROI Tool...

5.2 Setelah keluar kotak dialog ROI Tool isikan pada ROI Name dan Color sesuai dengan hasil klasifikasi yang diinginkan. Berikut contoh pembuatan klasifikasi:

6. Membuat Training 6.1 Membuat training dengan langkah memilih ROI yang akan dibuat training kemudian memilih terlebih dahulu untuk jenis digitasi dengan klik ROI Type kemudian pilih Polygon, Polyline, atau point.

6.2 Kemudian pilih jendela yang akan digunakan untuk mendigitasi:

6.3 Berikut hasil training pada citra:

7. Melakukan Klasifikasi Supevised 7.1 Simpan terlebih dahulu hasil training dengan klik File  Save ROIs...

7.2 Setelah kotak dialog Save ROIs to File muncul kemudian atur tempat penyimpanannya kemudian klik OK. 7.3 Langkah berikutnya memilih menu Classification  Supervised  Parallelepiped

7.4 Setelah itu muncul kotak dialog Classification Input File, maka pilih Citra yang dijadikan acuan saat klasifikasi:

7.5 Kemudian mengatur parameter dan tempat penyimpanan seperti berikut:

Kemudian untuk melihat citra hasil klasifikasi klik Load RGB. 8. Melakukan Perhitungan Luas 8.1 Setelah proses klasifikasi selesai, menghitung luas dengan cara klik classification kemudian Post classification pilih class statistis.

8.2 Kemudian pilih statistics input file, sebanyak 2 kali pada file yang sama.

8.3 Kemudian pilih select all. Klik histogram. Klik ok.

G. HASIL a. RMS

b. PETA Terlampir c. Pembahasan Metode Klasifikasi

Parallelepiped Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk mengklasifikasikan

data

multispektral. Batas-batas

keputusan

merupakan

parallelepiped n-dimensi dalam ruang data gambar. Dimensi ini ditentukan berdasarkan batas deviasi standar dari rata-rata setiap kelas yang dipilih.

Minimum Distance Teknik jarak minimal menggunakan vektor rata-rata endmember masing-masing dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor rata-rata untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan tidak terklasifikasi jika tidak memenuhi kriteria yang dipilih.

Maximum Likelihood Klasifikasi supervised maximum likelihood merupakan klasifikasi yang berpedoman pada nilai piksel yang sudah dikategorikan obyeknya atau dibuat dalam training sampel untuk masing-masing obyek penutup lahan. Pemilihan training sampel yang kurang baik dapat menghasilkan klasifikasi yang kurang

optimal sehingga akurasi yang diperoleh rendah. Dengan demikian diperlukan analisis secara statistik atau uji akurasi dari training sampel tersebut. d. Luas masing-masing Metode Klasifikasi a. Statistik Luas dengan Metode paralelpiped sebagai berikut :

b. Luas menggunakan metode Minimum Distance sebagai berikut :

c. Luas menggunakan metode Maximum Likelihood, sebagai berikut :

H. KESIMPULAN Dari Praktikum kali ini mahasiswa dapat mengerjakan tahapan klasifikasi secara digital, meliputi dari doping Citra, georeferencing kemudian proses klasifikasi serta perhitungan luasnya.